Estação de baixo custo para monitoramento da qualidade  do ar

Export iten:

Please use this identifier to cite or link to this item: https://tede.unioeste.br/handle/tede/7090

Tipo do documento:	Dissertação
Title:	Estação de baixo custo para monitoramento da qualidade do ar
Other Titles:	Low-cost station for air quality monitoring
Autor:	Roncaglio, Mateus Maruzka
Primeiro orientador:	Oyamada, Marcio Seiji
Primeiro membro da banca:	Camargo, Edson Tavares de
Segundo membro da banca:	Martins, Leila Droprinchinski
Terceiro membro da banca:	Spanhol, Fabio Alexandre
Resumo:	A poluição do ar é um dos principais problemas à saúde, sendo causadora de diversas doenças. Segundo a Organização Mundial da Saúde, cerca de 4 milhões de mortes por ano são causadas pela poluição do ar. Devido a isso, o monitoramento da qualidade do ar é um instrumento de gestão importante que permite nortear políticas públicas em relação a essa questão ambiental. No entanto, as estações governamentais são esparsas, e seu alto custo torna pouco viável investir em novas estações para aumentar a rede de monitoramento. Sensores de monitoramento de qualidade do ar de baixo custo podem superar esse problema, mas também apresentam novos desafios. Por causa disso, o estudo de sensores de baixo custo combinadas com técnicas de calibração por aprendizado de máquina busca fornecer um método complementar para monitoramento da qualidade do ar. Este trabalho apresenta o desenvolvimento de uma estação de baixo custo para monitoramento da qualidade do ar utilizando sensores da Alphasense. A estação coleta as seguintes medições, com os respectivos modelos de sensores: monóxido de carbono (CO-B4), dióxido de nitrogênio (NO2-B43F), dióxido de enxofre (SO2-B4), ozônio (OX-B431) e material particulado (HM3301 e PMS5003). Os dados coletados foram enviados para um servidor, em tempo real, por meio do protocolo LoRaWAN. Após o período de testes em campo foi feita a correção dos dados utilizando modelo de regressão linear, Random Forest e o modelo de conversão fornecido pela Alphasense. Como métricas de desempenho para avaliar os modelos, utilizou-se o Erro quadrático médio (MSE), raiz do erro quadrático médio (RMSE), erro absoluto médio (MAE), coeficiente de linearidade (R2 ) e Pearson r. Como resultados comparou-se o resultado da estação proposta com uma estação comercial, a Thermo-Scientific GM5000, e uma estação de referência. Os resultados preliminares obtidos comparando com o GM5000, indicam que os sensores de baixo custo são suscetíveis a influências de variáveis ambientais, como a umidade. Quando os mesmos sensores foram aplicados em um ambiente mais controlado e o projeto físico permitiu que a umidade relativa não ultrapasse os limites operacionais dos sensores, a qualidade dessas leituras teve uma melhora significativa, quando comparado ao GM5000. Em relação aos dados da estação de referência, os resultados mostram que modelos lineares não conseguem corrigir os valores dos sensores de baixo custo, enquanto o modelo RF tem um desempenho superior em todas as métricas. O desempenho do modelo RF demonstra o potencial para aprimorar o monitoramento da qualidade do ar
Abstract:	Air pollution is one of the main health problems causing various diseases. According to the World Health Organization, about 4 million deaths are due to air pollution every year. For this reason, air quality monitoring is an important management tool that makes it possible to guide public policy in relation to this environmental problem. However, there are few government monitoring stations and their high cost makes investment in new stations to expand the monitoring network unprofitable. Low-cost air quality monitoring sensors can overcome this problem, but also pose new challenges. For this reason, the study of low-cost sensors has been combined with machine learning calibration techniques. This paper presents the development of a low-cost air quality monitoring device using Alphasense sensors. The station records the following measurements using the appropriate sensor models: Carbon Monoxide (CO-B4), Nitrogen Dioxide (NO2-B43F), Sulfur Dioxide (SO2- B4), Ozone (OX-B431) and Particulate Matter (HM3301 and PMS5003). The collected data is sent to the internet in real time via the LoRaWAN protocol. After the field test, data correction was performed using a linear regression model, a random forest algorithm and the conversion model provided by Alphasense. The mean square error (MSE), root mean square error (RMSE), mean absolute error (MAE), linearity coefficient (R2 ) and Pearson r were used as performance metrics to evaluate the models. The results were compared using the proposed device with a commercial station, the Thermo-Scientific GM5000, and a reference station. The preliminary results of the comparison with the GM5000 show that low-cost sensors are susceptible to influences from environmental variables such as humidity. When the same sensors are used in a more controlled environment and the relative humidity does not exceed the operating limits of the sensors, the quality of the readings improves significantly compared to the commercially available GM5000 devices. As for the reference station data, the results show that linear models cannot describe the nuances of the low-cost sensor’s response to the reference gas sensor, while the RF model performs better in every metric. The performance of the RF model shows the potential to improve air quality monitorin
Keywords:	Internet das Coisas Sensores de Baixo Custo Aprendizado de Máquina Internet of Things Low-cost Sensors Machine Learning
CNPq areas:	CIÊNCIA DA COMPUTAÇÃO
Idioma:	por
País:	Brasil
Publisher:	Universidade Estadual do Oeste do Paraná
Sigla da instituição:	UNIOESTE
Departamento:	Centro de Ciências Exatas e Tecnológicas
Program:	Programa de Pós-Graduação em Ciência da Computação
Campun:	Cascavel
Citation:	Roncaglio, Mateus Maruzka. Estação de baixo custo para monitoramento da qualidade do ar. 2023. 78 f Dissertação( Mestrado em Ciência da Computação) - Universidade Estadual do Oeste do Paraná,Cascavel.
Tipo de acesso:	Acesso Aberto
Endereço da licença:	http://creativecommons.org/licenses/by-nc-nd/4.0/
URI:	https://tede.unioeste.br/handle/tede/7090
Issue Date:	8-Dec-2023
Appears in Collections:	Mestrado em Ciência da Computação (CVL)

Files in This Item:

File	Description	Size	Format
Mateus Maruzka Roncaglio.pdf		24.18 MB	Adobe PDF	View/Open Preview ×

Show full item record Recommend this item